Новая методика текстурно-структурного анализа имиджей с помощью алгоритмов глубокого обучения

Скважинные имиджеры являются мощным инструментом для исследования сложнопостроенных коллекторов, предоставляя уникальную информацию о структурных и текстурных особенностях изучаемых пластов, в том числе информацию в масштабе кернового материала. Развитие методов обработки и интерпретации позволяет оптимизировать существующие подходы к оценке имиджей на качественном и количественном уровнях. Они также способствуют повышению эффективности и качества работы с имиджами за счёт новой пообъектной информации. В данной работе предлагается современная методика анализа имиджей, основанная на результатах обработки большого и уникального объёма накопленных данных с применением технологий машинного обучения. Разработанные алгоритмы позволяют автоматизировать процесс предобработки имиджей, а также процесс структурно-текстурной декомпозиции. Применение глубоких нейронных сетей обеспечило выделение целевых объектов с точностью более 90%, а алгоритмы компьютерного зрения позволили получить их количественную характеристику в виде оценки размеров, форм, ориентаций и топологий. Области применения предлагаемой методики включают в себя: седиментологический анализ (в частности, обнаружение тонких пропластков); дополнение к программам исследований сплошного и бокового керна; дополнение к программам исследований с помощью пластоиспытателя на кабеле (детальное описание особенностей коллекторов в интервалах, не охарактеризованных керном); дополнительная информация для обработки и интерпретации комплекса геологических и геофизических данных (моделирование пласта с использованием детерминированного подхода, критерии распределения для стохастического моделирования, определение петрофизических параметров с высокой степенью достоверности).

1. Agarap A.F. (2019). Deep Learning using Rectified Linear Units (ReLU). ArXiv preprint arXiv:1803.08375. https://doi.org/10.48550/arXiv.1803.08375

2. Azim R.A. (2021). Estimation of fracture network properties from FMI and conventional well logs data using artificial neural network. Upstream Oil and Gas Technology, 7, 100044. https://doi.org/10.1016/j.upstre.2021.100044

3. Bradski G. (2000). The opencv library. Dr. Dobb’s Journal: Software Tools for the Professional Programmer, 25, pp. 120–123.

4. Canny J. (1986). A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence, pp. 679–698. https://doi.org/10.1109/TPAMI.1986.4767851

5. Chang Li, Liqiang Sima, Guoqiong Che, Wang Liang, Anjiang Shen, Qingxin Guo, Bing Xie (2020). Vug and fracture characterization and gas production prediction by fractals: Carbonate reservoir of the Longwangmiao Formation in the Moxi-Gaoshiti area, Sichuan Basin. Interpretation, 8(3), pp. 159–171. https://doi.org/10.1190/INT-2019-0260.1

6. Chen T., Guestrin C. (2016). XGBoost: A Scalable Tree Boosting System. The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, San Francisco California USA, pp. 785–794. https://doi.org/10.1145/2939672.2939785

7. Chollet F. (2021). Deep learning with Python. Simon and Schuster, 478 p. Cortes C. (1995). Support-Vector Networks. Machine Learning, 20, pp. 273–297. https://doi.org/10.1023/A:1022627411411

8. De Ville B. (2013). Decision trees. WIREs Computational Stats, 5, pp. 448–455. https://doi.org/10.1002/wics.1278

9. Fathi, E., Carr, T.R., Faiq, M.A., Panetta, B., Kumar, A., Carney, B.J. (2022). High-quality fracture network mapping using high frequency logging while drilling (LWD) data: MSEEL case study. Machine Learning with Applications, 10, pp. 100421. https://doi.org/10.1016/j.mlwa.2022.100421

10. Fix E. (1985). Discriminatory analysis: nonparametric discrimination, consistency properties. USAF school of Aviation Medicine.

11. Freund Y., Schapire R.E. (1995). A desicion-theoretic generalization of on-line learning and an application to boosting, in: Vitányi, P. (Ed.), Computational Learning Theory, Lecture Notes in Computer Science. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 23–37. https://doi.org/10.1007/3-540-59119-2_166

12. Friedman J.H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, pp. 1189–1232. https://doi.org/10.1214/aos/1013203451

13. Gabor D. (1946). Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers - Part III: Radio and Communication Engineering, 93, pp. 429–441. https://doi.org/10.1049/ji-3-2.1946.0074

14. Geurts P., Ernst D., Wehenkel L. (2006). Extremely randomized trees. Mach Learn, 63, pp. 3–42. https://doi.org/10.1007/s10994-006-6226-1

15. Hilt D.E., Seegrist D.W. (1977). Ridge, a computer program for calculating ridge regression estimates. Department of Agriculture, Forest Service, Northeastern Forest Experiment. https://doi.org/10.5962/bhl.title.68934

16. John G.H., Langley P. (2013). Estimating Continuous Distributions in Bayesian Classifiers. arXiv preprint arXiv:1302.4964. https://doi.org/10.48550/arXiv.1302.4964

17. Kharitontseva P., Gardiner A., Tugarova M., Chernov D., Maksimova E., Churochkin C., Rukavishnikov V. (2021). An Integrated Approach for Formation Micro-Image Rock Typing Based on Petrography Data: A Case Study in Shallow Marine Carbonates. Geosciences, 11(6), pp. 235. https://doi.org/10.3390/geosciences11060235

18. Kingma D.P., Ba J. (2017). Adam: A Method for Stochastic Optimization. https://doi.org/10.48550/arXiv.1412.6980

19. Kohonen T. (2013). Essentials of the self-organizing map. Neural Networks, 37, pp. 52–65. https://doi.org/10.1016/j.neunet.2012.09.018

20. Köpüklü O., Babaee M., Hörmann S., Rigoll G. (2019). Convolutional Neural Networks with Layer Reuse. https://doi.org/10.48550/arXiv.1901.09615

21. Li, X., Shen, J., Zhu, Z., Wang, L., Li, Z. (2016). Fracture extraction from FMI based on multiscale mathematical morphology. SEG International Exposition and Annual Meeting, SEG-2016. https://doi.org/10.1190/segam2016-13880859.1

22. McCallum A., Nigam K. (1998). A comparison of event models for naive bayes text classification. AAAI-98 Workshop on Learning for Text Categorization. Madison, WI, pp. 41–48.

23. Mohammad Faiq Adenan, Fathi E., Carr T., Panetta B. (2023). Machine learning-based workflow for identifying fractures and baffles from Formation Micro Imager (FMI) log: A practical application in Illinois Basin Decatur Project (IBDP). SEG/AAPG International Meeting for Applied Geoscience & Energy. https://doi.org/10.1190/image2023-3916031.1

24. Otsu N. (1975). A threshold selection method from gray-level histograms. Automatica, 11, pp. 23–27.

25. Ponziani M., Slob E., Luthi, S., Bloemenkamp R., Le Nir, I. (2013). Fracture characterization from Formation MicroImager data. 75th EAGE Conference & Exhibition incorporating SPE EUROPEC 2013, European Association of Geoscientists & Engineers. https://doi.org/10.3997/2214-4609.20130805

26. Qifeng Sun, Naiyuan Su, Faming Gong, Qizhen Du. (2023). Blank Strip Filling for Logging Electrical Imaging Based on Multiscale Generative Adversarial Network. Processes, 11(6), 1709. https://doi.org/10.3390/pr11061709

27. Rahman M.A., Wang Y. (2016). Optimizing intersection-over-union in deep neural networks for image segmentation. The International symposium on visual computing. Springer, pp. 234–244. https://doi.org/10.1007/978-3-319-50835-1_22

28. Rennie J.D., Shih L., Teevan J., Karger D.R. (2003). Tackling the poor assumptions of naive bayes text classifiers. Proceedings of the 20th International Conference on Machine Learning (ICML-03), pp. 616–623.

29. Rigatti, S.J. (2017). Random forest. Journal of Insurance Medicine, 47, pp. 31–39. https://doi.org/10.17849/insm-47-01-31-39.1

30. Ronneberger O., Fischer P., Brox T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F. (Eds.). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Lecture Notes in Computer Science. Springer International Publishing, Cham, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28

31. Rosenblatt F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65, 386. https://doi.org/10.1037/h0042519

32. Sara U., Akter M., Uddin M.S. (2019). Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. Journal of Computer and Communications, 7, pp. 8–18. https://doi.org/10.4236/jcc.2019.73002

33. Shafiabadi M., Kamkar-Rouhani A., Riabi S.R.G., Kahoo A.R., Tokhmechi B. (2021). Identification of reservoir fractures on FMI image logs using Canny and Sobel edge detection algorithms. Oil & Gas Science and Technology–Revue d’IFP Energies nouvelles, 76, 10. https://doi.org/10.2516/ogst/2020086

34. Tahmasebi P. (2018). Multiple point statistics: a review. Handbook of mathematical geosciences: Fifty years of IAMG, pp. 613–643. https://doi.org/10.1007/978-3-319-78999-6_30

35. Tibshirani R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58, pp. 267–288. https://doi.org/10.1111/j.2517-6161.1996.tb02080.x

36. Walker, S.H., Duncan, D.B. (1967). Estimation of the probability of an event as a function of several independent variables. Biometrika, 54, pp. 167–179. https://doi.org/10.1093/biomet/54.1-2.167

37. Ye S.-J., Rabiller P. (2000). A new tool for electro-facies analysis: multiresolution graph-based clustering. The SPWLA Annual Logging Symposium, SPWLA, SPWLA-2000.

38. Yu L., Li Z., Xu M., Gao Y., Luo J., Zhang J. (2022). Distribution-Aware Margin Calibration for Semantic Segmentation in Images. Int J Comput Vis, 130, pp. 95–110. https://doi.org/10.1007/s11263-021-01533-0

39. Zou H., Hastie T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67, pp. 301–320. https://doi.org/10.1111/j.1467-9868.2005.00503.x